MolmoAct 2 calcolatore TPS

Apri i pesi Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI 5.5B parametri April 2026

Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..

Calcolato per questo modello

818 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla C1080

4 GB · Q3_K_M · 18.1 tok/s

Scheda più veloce

B200

618 tok/s · 180 GB

Quali GPU possono eseguire MolmoAct 2?

Imposta gli input, leggi la risposta

Lunghezza del contesto token

Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..

Qualità minima

Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..

Cerca schede

Memoria della scheda

Mostra anche le schede che non possono eseguirlo.

818 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
618 tok/s 371–988 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	6.6 GB	Q8_0	Comodo
618 tok/s 371–988 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	6.6 GB	Q8_0	Comodo
493 tok/s 296–789 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	6.6 GB	Q8_0	Comodo
493 tok/s 296–789 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	6.6 GB	Q8_0	Comodo
394 tok/s 237–631 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	6.6 GB	Q8_0	Comodo
378 tok/s 227–604 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.6 GB	Q8_0	Comodo
378 tok/s 227–604 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.6 GB	Q8_0	Comodo
361 tok/s 217–578 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	6.6 GB	Q8_0	Comodo
321 tok/s 192–513 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Comodo
321 tok/s 192–513 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Comodo
321 tok/s 192–513 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Comodo
304 tok/s 183–487 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	6.6 GB	Q8_0	Comodo
259 tok/s 156–415 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Comodo
259 tok/s 156–415 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	6.6 GB	Q8_0	Comodo
259 tok/s 156–415 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Comodo
259 tok/s 156–415 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Comodo
259 tok/s 156–415 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Comodo
198 tok/s 119–316 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	6.6 GB	Q8_0	Comodo
198 tok/s 119–316 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	6.6 GB	Q8_0	Comodo
165 tok/s 99–263 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	6.6 GB	Q8_0	Comodo
161 tok/s 97–258 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	6.6 GB	Q8_0	Comodo
158 tok/s 95–252 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	6.6 GB	Q8_0	Comodo
158 tok/s 95–252 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	6.6 GB	Q8_0	Comodo
158 tok/s 95–252 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	6.6 GB	Q8_0	Comodo
158 tok/s 95–252 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	6.6 GB	Q8_0	Comodo

Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..

In registrazione

specifiche complete

Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..

Origine

Chi ha costruito questo modello, dove e quando è stato pubblicato.

Organizzazione: Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI
Tipo di organizzazione: Research collective,Academia,Academia,Academia,Academia,Industry,Industry
Paese: United States of America, Singapore
Pubblicato: 5 April 2026
Autori: Haoquan Fang, Jiafei Duan, Donovan Clay, Sam Wang, Shuo Liu, Weikai Huang, Xiang Fan, Wei-Chuan Tsai, Shirui Chen, Yi Ru Wang, Shanli Xing, Jaemin Cho, Jae Sung Park, Ainaz Eftekhar, Peter Sushko, Karen Farley, Angad Wadhwa, Cole Harrison, Winson Han, Ying-Chun Lee, Eli VanderBilt, Rose Hendrix, Suveen Ellawela, Lucas Ngoo, Joyce Chai, Zhongzheng Ren, Ali Farhadi, Dieter Fox, Ranjay Krishna

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio: Vision, Language, Robotics
Compito: Robotic manipulation

Dimensione

Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.

parametri: 5.5B
Dati di addestramento: tokens

Calcolo di addestramento

L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.

Calcolo di addestramento: 1.1 × 10²² FLOP

La corsa di addestramento

Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.

Hardware di addestramento: NVIDIA H100 SXM5 80GB
Chip utilizzati: 64
Tempo di parete: 2,304 hours (96 days)
Consumo energetico: 87.2 kW
Fornitore di cloud: Cirrascale Cloud Services
Centro dati: Ai2 Jupiter, Austin, Texas

Disponibilità

Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.

Pesi: Open — downloadable
Accesso al modello: Open weights (unrestricted)
Hugging Face: allenai

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Perché è monitorato: Discretionary
Record fiducia: Likely

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento: MolmoAct2: Action Reasoning Models for Real-world Deployment
Ultimo aggiornamento: 30 July 2026

Gli estremi

Le dieci GPU più veloci che eseguono MolmoAct 2

Classificato per token stimati al secondo, scheda più recente per prima dove le velocità coincidono. Poiché la generazione è vincolata dalla larghezza di banda della memoria, quest'ordinamento segue la larghezza di banda piuttosto che qualsiasi benchmark di gioco..

Le GPU più piccole che ancora funzionano MolmoAct 2

Il percorso più economico, in base alla capacità di memoria. Un adattamento stretto esegue il modello ma non lascia nulla di riserva per una conversazione più lunga..

Cosa significano i numeri

Requisiti hardware in pratica

Scheda minima

Tesla C1080

Memoria necessaria

3.4 GB

Più veloce

618 tok/s

MolmoAct 2 raggiunge un conteggio di parametri di 5.5B. È piccolo abbastanza che l'hardware è raramente l'ostacolo, anche su CARD di diversi anni fa. Il numero di CARD che monitoriamo che possono eseguirlo: 818.

Il punto di ingresso è Tesla C1080, con una capacità di memoria di 4 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 18.1 token al secondo

Il più veloce che calcoliamo per esso è B200, generando approssimativamente 618 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Sfondo

MolmoAct 2 è stato pubblicato da Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI, nel paese registrato come United States of America, durante April 2026. L'organizzazione di pubblicazione è classificata come research collective,Academia,Academia,Academia,Academia,Industry,Industry.

Funziona nel dominio di Vision, Language, Robotics, ed è registrato come eseguire il compito di robotic manipulation.

Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato. Su Hugging Face è pubblicato sotto l'organizzazione allenai.

Leggendo i dati di throughput

Meta delle schede che lo supportano gestiscono più di 25.8 token al secondo. Superare la velocità di lettura in modo diretto: 759 di loro

È un modello denso, quindi ogni parametro viene letto per ogni token prodotto. Questo rende la pista di velocità la larghezza di banda della memoria quasi esattamente — una CARD con il doppio della larghezza di banda genera approssimativamente il doppio della velocità.

La memoria qui è stimata dalla dimensione piuttosto che calcolata dall'architettura, che non è registrata per questo modello — i numeri sono indicativi piuttosto che esatti.

Cosa è stato necessario per costruirlo

Il training ha richiesto un budget di calcolo di circa 1.1 × 10²² FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

Il motivo per cui appare in questo catalogo è: discretionary.

Passo dopo passo

Come scegliere una GPU per MolmoAct 2

La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..

01

Controlla cosa serve prima di ogni altra cosa

La tabella elenca ogni card in grado di contenere MolmoAct 2, avere bisogno di circa 3.4 GB a una compressione di Q3_K_M. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
02

Imposta la lunghezza del CONTEXT che utilizzerai.

Imposta il contesto su ciò che utilizzerai effettivamente. La cache cresce con la conversazione, ed è il motivo consueto per cui una card che sembrava a posto smette di adattarsi. MolmoAct 2.
03

Scegli quanto lontano lo comprimerai

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., raggiungendo una compressione di Q3_K_M sulla scheda più piccola che si adatta. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
04

Ordina per throughput piuttosto che per specifiche.

La velocità dell'ordinamento è effettivamente un ordinamento per larghezza di banda di memoria, per MolmoAct 2. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria. La scheda in cima alla lista è B200, nella 618 tok/s
05

Controlla il giudizio di compatibilità prima di acquistare

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di MolmoAct 2. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
06

Apri la scheda su cui ti sei deciso.

Ogni pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a MolmoAct 2.

Risposte

MolmoAct 2 — domande comuni

MolmoAct 2— perché la quantizzazione differisce tra le schede?

Ogni card è mostrata mentre esegue la copia meno compressa che può contenere. Il numero di livelli di compressione distinti tra le card che si adattano: 4. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

MolmoAct 2— quanto sono accurate queste stime di velocità?

Queste sono stime con barre di errore reali, e ognuna di esse potrebbe ragionevolmente collocarsi ovunque nel suo intervallo pubblicato a seconda del runtime che utilizzi. Il risultato più veloce qui: 371–988 tok/s su B200. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.

MolmoAct 2— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Tesla C1080, con una capacità di memoria di 4 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 3.4 GB, e produce approssimativamente 18.1 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

MolmoAct 2— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 618 token al secondo; il più lento che riesce a farlo gestisce considerevolmente meno. La velocità di lettura è di circa dieci token al secondo, e il numero di schede che riescono a farlo: 759.

MolmoAct 2— quanta VRAM serve?

Ha bisogno di 3.4 GB a una compressione di Q3_K_M, quale è la scheda più piccola che lo utilizza. Meno compressione richiede di più: le cifre nella colonna della memoria sopra sono ricalcolate per ogni scheda, perché ognuna contiene la versione meno compressa possibile.

MolmoAct 2— posso eseguirlo su una GPU holding 8 GB?

Sì. La scheda CMP 170HX 8 GB, tenere 8 GB, lo esegue a una compressione di Q8_0, utilizzando circa 6.6 GB e generando approssimativamente 115 token al secondo. Il fit è stretto.

MolmoAct 2— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di Q8_0, utilizzando circa 6.6 GB e generando approssimativamente 70.5 token al secondo. Il fit è comodo.

MolmoAct 2— posso eseguirlo su una GPU holding 16 GB?

Sì. La scheda Tesla V100 SXM2 16 GB, tenere 16 GB, lo esegue a una compressione di Q8_0, utilizzando circa 6.6 GB e generando approssimativamente 87.3 token al secondo. Il fit è comodo.

MolmoAct 2— posso eseguirlo su una GPU holding 24 GB?

Sì. La scheda GeForce RTX 5090 D V2, tenere 24 GB, lo esegue a una compressione di Q8_0, utilizzando circa 6.6 GB e generando approssimativamente 103 token al secondo. Il fit è comodo.

MolmoAct 2— è open-source?

I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.

MolmoAct 2— quanti parametri ha?

Ha un numero di parametri di 5.5B. From https://huggingface.co/allenai/MolmoAct2/blob/main/model.safetensors.index.json. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.

MolmoAct 2— chi l'ha creato?

È stato pubblicato da Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI, basato su United States of America, un'organizzazione categorizzata come research collective,Academia,Academia,Academia,Academia,Industry,Industry.

MolmoAct 2— quando è stato rilasciato?

È stato pubblicato in April 2026.

MolmoAct 2— A cosa serve?

Funziona nel dominio di Vision, Language, Robotics, e viene registrato come gestire il compito di robotic manipulation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.

MolmoAct 2— Dove posso scaricarlo?

I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione allenai. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.

MolmoAct 2— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 1.1 × 10²² FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.

MolmoAct 2— posso eseguirlo se non si adatta nella mia GPU?

Può essere diviso tra la scheda e la memoria di sistema, ma genera dolorosamente lentamente in quel modo. Ogni figura qui presume che l'intero modello sia residente sulla scheda.

MolmoAct 2— due GPU lo farebbero andare più veloce?

Una seconda CARD raddoppia grossolanamente la VRAM disponibile ma non il tasso di generazione. Il numero già in grado di eseguirlo da solo: 818. Quindi una seconda CARD è raramente la risposta qui.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 30 July 2026

L'altra direzione

Guardandolo dall'altro lato?

Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.

Tutti i modelli AI